# 用 OpenClaw 做视频：播放量从几十涨到 9000，成本一毛钱

> 孟健分享的视频号自动化流水线：用 OpenClaw + Remotion + 语音克隆，60 秒短视频成本一毛钱、15 分钟出片，单条播放从几十涨到 1595，3 天总播放 9018。拆解技术栈、完整流程、赛博线框风格、踩过的坑和成本账。

- 原文链接: https://laojin.blog/repost/openclaw-video-production
- 作者: 孟健AI编程（老金转载）
- 发布日期: 2026-02-14
- 标签: AIGC, AI编程, OpenAI

---

# 用 OpenClaw 做视频：播放量从几十涨到 9000，成本一毛钱

大家好，我是孟健。

**我做视频号不用剪映，不用 PR ，甚至不碰任何剪辑软件。**一条 60 秒的短视频，成本一毛钱，从选题到成片 15 分钟搞定。

怎么做到的？OpenClaw（开源 AI 助理框架）+ Remotion（React 视频框架）+ 语音克隆，三件套组合拳。

先看成品👇

（掘金不支持视频，可以搜孟健AI编程）

今天把整套流水线拆给你看。

---

## 01 先说数据：用 AI 做视频比我自己拍还好

前几天我开始用 OpenClaw 全自动做视频号内容。结果出乎意料——**AI 做的视频，数据比我自己拍的好得多。**

之前我自己录制、剪辑，一条视频播放量几十到两三百，偶尔破千算运气好。

换成 OpenClaw 全自动流水线之后：

- **单条播放量：1595**（之前平均不到 200）
- **3天 总播放：9,018**

从 02-11 开始用 OpenClaw 做视频的那天起，播放量曲线直接起飞。之前一周加起来可能还不到 1000 播放。

为什么 AI 做的反而更好？我想了想，原因有三个：

- **更新频率上去了**。以前一周发 1-2 条，现在可以日更。视频号算法喜欢活跃的账号。
- **风格统一了**。每条视频都是同一个"赛博线框"模板，辨识度高，观众看到就知道是我。
- **质量反而稳定了**。人工拍摄状态有起伏，AI 生产线的输出质量是恒定的。

---

## 02 整套流水线长什么样

传统做一条 60 秒视频号内容：

- 写脚本：30 分钟
- 录音/配音：20 分钟
- 剪辑+字幕+动效：1-2 小时
- 导出上传：10 分钟

**总耗时：2-3 小时，还得会剪映或 PR 。**

我现在的流程：

- Agent 自动推送选题，我选一个：1 分钟
- Agent 写旁白 → 克隆我的声音生成 TTS → 提取时间戳 → Remotion 渲染成片：约 10 分钟
- 我看一遍，确认发布：2 分钟

**总耗时：约 15 分钟。成本不到两毛钱。不需要会任何剪辑软件。**

---

## 03 技术栈：四个关键零件

### 零件一：OpenClaw — 多 Agent 调度中心

OpenClaw 是一个开源的 AI 助理框架，核心能力是让多个 AI Agent 协作。我的团队里有 6 个 Agent，各管一摊：

- **墨媒**（运营）：负责选题推送和发布
- **墨笔**（创作）：写脚本、调 TTS、编排场景、渲染视频
- **墨影**（设计）：封面图和配图

视频制作主要是墨笔在干活。它收到选题后，一路跑完脚本→配音→渲染，全程无人值守。

**Agent 之间怎么协作？**OpenClaw 有个`sessions_send`机制，Agent 之间直接传消息。墨媒推选题给墨笔，墨笔做完发成片链接给墨媒，墨媒通知我确认。像一条流水线，每个工位各干各的。

### 零件二：Remotion — 用 React 写视频

这是整套方案最"反直觉"的部分。

Remotion 是一个 React 视频框架。**你写 React 组件，它帮你渲染成 MP4。**没有时间轴，没有图层面板，视频就是代码。

为什么用代码做视频？因为**可复用、可模板化、可自动化。**

传统剪辑：每条视频从零开始拖素材。

Remotion：定义好模板，换数据就出新片。

我的视频模板叫"赛博线框批注体"——深色背景、大字排版、小墨（我的 AI 猫助手）线条画穿插批注。风格统一，辨识度高。

核心代码结构长这样：

```arduino
// scenes-data.ts — 这是唯一需要改的文件
export const scenes: SceneData[] = [
  {
    start: 0.0, // 开始时间（秒）
    end: 3.46, // 结束时间（秒）
    type: 'title', // 场景类型：决定动效
    title: '三家巨头\\n同一天',
    xiaomo: 'peek', // 小墨姿态
  },
  {
    start: 3.46,
    end: 5.90,
    type: 'pain',
    title: '微软说',
    subtitle: 'Copilot 已经能写掉\\n90% 的代码',
    number: '90%',
    highlight: 'Copilot',
  },
  // ... 更多场景
];
```

**每条新视频只需要改这一个文件。**场景类型决定动效——`title`用 glitch 闪现，`emphasis`用 slam 砸入，`circle`用猫爪画圈。动效和排版都是预设好的，换内容自动适配。

渲染一行命令：

```ini
npx remotion render WireframeVideo out/成片.mp4 --codec=h264
```

### 零件三：MiniMax 语音克隆 — 用我的声音说话

视频号的配音是**我自己的声音**，但不是我录的。

MiniMax 的 voice-clone 服务，用一段 30 秒的录音样本，克隆出一个可以说任何话的语音模型。生成速度快，一段 60 秒的旁白 3-5 秒出结果。

通过 fal.ai 的 API 调用，1.15 倍速，对话感很强。一条视频的 TTS 成本大概一毛钱。

### 零件四：Whisper — 时间戳精确对齐

TTS 生成的音频，需要知道每句话在第几秒说完，才能让 Remotion 的字幕精确对齐。

OpenAI 的 Whisper 模型（本地部署，免费）转录音频，输出逐句时间戳：

```css
[ {"start": 0.0, "end": 3.46, "text": "三家巨头同一天说了一件事"}, {"start": 3.46, "end": 5.90, "text": "微软说Copilot已经能写掉90%的代码"}, ...]
```

这些时间戳直接灌进`scenes-data.ts`，每个场景的出场时间和旁白完美对齐。

---

## 04 完整流程：一条视频是怎么从 0 到 1 的

```kotlin
墨媒推选题（cron 每日 9:30）
↓ Telegram 推送5个选题
孟健选一个
↓ 选题确认
墨笔写旁白脚本（60秒，200字左右）
↓
MiniMax TTS 生成克隆语音
↓ 约¥0.1，3秒出结果
Whisper 提取逐句时间戳
↓ 本地运行，免费
墨笔编排 scenes-data.ts
↓ 按时间戳填场景类型+文案
Remotion 渲染 MP4
↓ h264编码，约2分钟
墨笔发成片给孟健
↓ Telegram 通知
孟健确认 → 墨媒发布
```

**关键点：从"孟健选一个"到"成片发出来"，中间全自动。**墨笔这个 Agent 收到选题后，自己写脚本、调 TTS、提时间戳、编场景、渲染视频、发通知。我只需要在 Telegram 里点一下确认。

整个过程大约 10 分钟。我的参与时间？选题 1 分钟，看成片 2 分钟。

---

## 05 赛博线框体：为什么选这个风格

视频号做内容有个核心矛盾：**你得快，但你不能糙。**

实拍太重（一个人搞不过来）。AI 生成画面太假（观众已经审美疲劳）。PPT 录屏太无聊。

我选了一条中间路线：**纯文字动画 + 线条 IP 角色。**

- 深色背景（#0A0A0F），不刺眼，高级感
- 大字排版，关键词高亮（cyan/gold/red 三种色系）
- 小墨（线条猫）在角落做批注动作（探头、趴着、指向、画圈）
- 动效精确对齐音频：glitch 嗞声配标题出场，slam 低频咚配数字砸入，draw 笔触声配猫爪画圈
- BGM 18%音量打底，不抢旁白

**这个风格的好处：全部是代码生成的。**没有一帧需要手画。小墨的 6 种姿态是 SVG 路径，动效是 CSS 动画函数，排版是 React 组件。换内容不换风格，视觉统一，品牌感强。

而且成本极低——Remotion 渲染不花钱，只有 TTS 那一毛钱。

---

## 06 踩过的坑

### 坑 1： TTS 速度和自然度的平衡

1.0 倍速太慢，像念稿。1.3 倍速太快，听不清。**1.15 倍速是甜点。**这个参数调了好几轮才定下来。

### 坑 2：时间戳精度

Whisper 的时间戳偶尔会飘几百毫秒。解决方案是渲染后快速过一遍——15 分钟的流程里，2 分钟用来看成片，不算浪费。

### 坑 3：Remotion 的字体加载

服务器渲染时字体可能缺失。解决方案：把字体文件放到`public/`目录，用`@font-face`显式加载，别依赖系统字体。

### 坑 4：音效对齐

动效和音效必须精确到帧。Remotion 的`Sequence`组件按帧计算（30fps），但时间戳是秒。需要做`Math.round(seconds * fps)`的换算，差一帧观感就不对。

### 坑 5：不要让内容 Agent 降模型

试过把墨笔从 Claude Opus 换成 Sonnet 省钱。6 分钟就换回来了——脚本质量断崖式下跌，金句变废话，节奏感全无。**内容创作是最不该省的环节。**

---

## 07 成本算账

| 项目 | 单价 | 说明 |
|------|------|------|
| TTS( MiniMax via fal.ai) | ～¥0.1/条 | 60 秒旁白，语音克隆 |
| Whisper | ¥0 | 本地部署，免费 |
| Remotion 渲染 | ¥0 | 开源，服务器本地跑 |
| BGM/音效 | ¥0 | 预置素材库 |
| 合计 | ～¥0.1/条 | |

对比请人做：一条 60 秒视频号内容，外包报价 300-800 元。

**2 小时变 15 分钟，800 块变一毛钱，播放量反而翻了 10 倍。**这就是把视频从"项目"变成"工序"的意义。

---

## 08 你能复制这套流程吗？

技术门槛说实话不低。你需要：

- **一台服务器**（跑 OpenClaw + Remotion 渲染）
- **基本的 React 能力**（定制 Remotion 模板）
- **OpenClaw 部署经验**（配 Agent + cron）
- **MiniMax/ElevenLabs 账号**（TTS）

但思路是通用的：**把视频生产拆成可编程的环节，用 Agent 串起来。**

你不一定要用我的技术栈。Remotion 可以换成 FFmpeg 纯命令行（更简单但动效少），TTS 可以用免费的 edge-tts（质量差一些但零成本），Agent 框架也不一定是 OpenClaw。

**核心不是工具，是思路：视频 = 数据 + 模板 + 自动化。**

---

写在最后。

我做这套系统不是为了炫技。是因为一个人创业，内容是最大的杠杆，但时间是最稀缺的资源。

**传统做内容是"创作"——每次从零开始。AI 时代做内容是"生产"——定义好流水线，然后持续出货。**

15 分钟一条视频，成本一毛钱，播放量比自己拍还好。工具就摆在那里。用不用，是你的事。

---

如果这篇对你有帮助，欢迎点赞、收藏、关注，你的支持是我持续输出的动力 ✨

---

我的其他平台账号和开源项目在个人主页中，欢迎交流 🤝